Inertial measurement based wheeled vehicle state estimation

This dissertation is concerned with state and parameter estimation problems for wheeled vehicles. The methods are meant to provide essential quantities for the vehicle chassis control. All the presented algorithms propose reliable solutions that aim at being independent from the vehicle at hand. In particular the dissertation presents methods for estimating the planar dynamic state of a four-wheeled vehicle and for identifying dangerous conditions based on accelerometer measurements. In four-wheeled vehicles the knowledge of the longitudinal speed and the sideslip angle (i.e. angle between the velocity vector and the vehicle longitudinal axes) is crucial for the correct functioning of the chassis control systems. A method that uses the wheel speed measurements and the longitudinal acceleration measurement solves the problem of estimating the vehicle speed; the method makes use only of kinematic considerations and is independent from vehicle and road grip parameters. The sideslip angle estimation method is based on the kinematic approach which has the advantage of being independent from vehicle parameters, but is sensitive to measurement errors and in particular measurement offsets. An heuristic term is joined with the observer and solves the issue of divergence on straight drivings suffered by solutions based on the kinematic approach; it ensures the sideslip zero-convergence on straight drivings. Although the heuristic makes the observer robust to measurement errors additional components that compensate for the measurement offsets, the vehicle roll angle and the inertial platform displacement are included in the overall algorithm. The overall algorithm including longitudinal speed, sideslip and additional components is tested on experimental data. Results show the effectiveness and the reliability of the proposed solutions in all the driving and road conditions. One parameter influencing the vehicle planar dynamics is the road grip: it influences the dynamic response of the vehicle and its limits. Chassis control systems are scheduled to take into account for the limitations of the road grip. A method for classifying the road grip and distinguishing between high and low grip conditions is introduced. The method is based on the RLS (Recursive Least Squares) algorithm, which is modified to reduce the effect of measurement errors on the estimate and to add a bias on the estimate. The major advantages are the fast classification of the grip change and the low sensitivity to measurement errors. The method uses inertial measurements and the estimates of the longitudinal speed and sideslip angle. Experimental data show the effectiveness of the method. Recognition of dangerous states is important for activating safety systems. A method for distinguishing between dangerous and normal driving conditions is presented. The method is a two-step method and each step is based on self-organizing neural networks. The main advantages of the method are: (i) it automatically manages a large number of sensors and large tuning set of data; it does not require dangerous condition data to be tuned. The method, which is independent from the vehicle and the sensors type, is tested on a motorcycle in a simulation environment.

Questa tesi tratta problemi di stima di stato e di parametri per veicoli su ruote. I metodi hanno lo scopo di stimare grandezze essenziali per il controllo del veicolo. Tutti gli algoritmi presentati propongono soluzioni affidabili che mirano ad essere indipendenti dal veicolo sotto controllo. La tesi presenta metodi per stimare lo stato della dinamica planare di un veicolo a quattro ruote e per identificare condizioni pericolose sulla base di misure inerziali. Nei veicoli a quattro ruote la conoscenza della velocità longitudinale e dell'angolo di deriva (angolo tra il vettore velocità e l'asse longitudinale del veicolo) è fondamentale per il corretto funzionamento dei sistemi di controllo della dinamica laterale. Un metodo proposto utilizza le misure di velocità delle ruote e la misura dell'accelerazione longitudinale e risolve il problema della stima della velocità longitudinale del veicolo; Il metodo si avvale solo di considerazioni cinematiche ed è indipendente da parametri del veicolo e dall'aderenza stradale. Il metodo di stima dell'angolo di deriva è basato su un approccio cinematico che ha il vantaggio di essere indipendente dai parametri del veicolo, ma è sensibile agli errori di misura e in particolare agli offset. Un'euristica è unita con uno stimatore in anello chiuso e risolve il problema della divergenza su manovre dritte, maggior svantaggio delle soluzioni basate su un approccio cinematico; il metodo assicura la convergenza a zero dell'angolo di deriva su manovre diritte. Sebbene l'euristica rende l'osservatore robusto agli errori di misura, componenti aggiuntivi che compensano gli offset di misura, l'angolo di rollio del veicolo e la posizione della piattaforma inerziale sono inclusi nell'algoritmo complessivo. L'algoritmo completo che include la stima della velocità longitudinale, la stima dell'angolo di deriva e i componenti aggiuntivi è testato su dati sperimentali. I risultati mostrano l'efficacia e l'affidabilità delle soluzioni proposte in tutte le condizioni di guida e di aderenza stradale. Un parametro che influenza la dinamica planare del veicolo è l'aderenza stradale: esso influenza la risposta dinamica del veicolo e dei suoi limiti. I sistemi di controllo sono schedulati per considerare le limitazioni dovute all'aderenza stradale. La tesi propone un metodo per classificare l'aderenza stradale e per distinguere tra le condizioni di alta e bassa aderenza. Il metodo è basato sull'algoritmo RLS (Recursive Least Squares), modificato per ridurre l'effetto degli errori di misura sulla stima e per poter introdurre un bias alla stima. I vantaggi principali del metodo sono la rapida classificazione dei cambiamenti dell'aderenza e la bassa sensitività ai rumori di misura. L'algoritmo usa misure inerziali e le stime di velocità longitudinale e angolo di deriva. I dati sperimentali mostrano l'efficacia del metodo. Il riconoscimento di stati pericolosi è importante per l'attivazione di sistemi di sicurezza. La tesi propone un metodo per distinguere tra condizioni pericolose e di guida normale. Il metodo è composto da due fasi e ognuna delle fasi è basata su reti neurali SOM (Self-organized maps). I principali vantaggi del metodo sono: (i) gestisce automaticamente un gran numero di sensori e set di dati di tuning di grandi dimensioni; (ii) non richiede condizioni pericolose per essere addestrato. Il metodo, che è indipendente dal veicolo e il tipo di sensori, è testato su un motociclo in un ambiente di simulazione.